ИИ находит скрытые взаимодействия в CRISPR-комплексах для точного редактирования ДНК

Искусственный интеллект помог выявить ключевые взаимодействия в CRISPR-комплексах, которые определяют точность редактирования ДНК. Учёные из Массачусетского технологического института и Гарвардского университета разработали метод машинного обучения, анализирующий трёхмерные структуры CRISPR-Cas9. Результаты, опубликованные в журнале Nature, открывают путь к созданию более безопасных инструментов генной терапии. Новая модель способна предсказывать, как изменения в белке Cas9 или направляющей РНК повлияют на специфичность разрезания генома, снижая риск нежелательных мутаций.

ИИ раскрывает механизмы точности CRISPR

CRISPR-Cas9 остаётся одним из самых мощных инструментов редактирования генома, однако его применение ограничено из-за нецелевого разрезания ДНК, которое может вызывать опасные мутации. Традиционные методы повышения специфичности, такие как инженерия белка Cas9 или модификация направляющей РНК, часто требуют длительных экспериментов и не всегда дают предсказуемый результат. Исследователи из MIT и Гарварда решили эту проблему, применив модель машинного обучения для анализа кристаллических структур CRISPR-комплексов. Модель, обученная на тысячах трёхмерных структур, выявила набор аминокислотных остатков в Cas9, которые непосредственно взаимодействуют с ДНК-мишенью и определяют точность разрезания. Оказалось, что некоторые из этих взаимодействий ранее не учитывались при проектировании модифицированных версий Cas9.

Почему специфичность CRISPR так важна для генной терапии?

Проблема специфичности CRISPR стоит перед научным сообществом с момента открытия этого механизма в 2012 году. Уже первые клинические испытания показали, что даже небольшие несоответствия между направляющей РНК и целевой ДНК могут приводить к разрезанию в других участках генома. За последние годы было предложено несколько подходов для повышения точности: создание вариантов Cas9 с пониженной активностью (например, eSpCas9 или SpCas9-HF1), использование парных никаз, а также применение алгоритмов для подбора оптимальных направляющих РНК. Однако все эти методы имеют ограничения — либо снижают общую эффективность редактирования, либо требуют сложной валидации. Новый подход, основанный на ИИ, позволяет системно анализировать структурные данные и предсказывать, какие мутации в Cas9 приведут к повышению специфичности без потери активности.

Как работает ИИ-модель?

Модель машинного обучения, названная авторами CRISPR-3DNet, использует архитектуру свёрточной нейронной сети для анализа трёхмерных карт электронной плотности CRISPR-комплексов. Она способна идентифицировать контакты между атомами белка Cas9, направляющей РНК и ДНК-мишенью, которые критичны для стабильности комплекса и точности разрезания. На основе этих данных модель предсказывает, как замена конкретных аминокислот в Cas9 повлияет на энергию связывания и вероятность нецелевого разрезания. Исследователи проверили предсказания модели на нескольких мутантах Cas9 и обнаружили, что точность предсказания достигает 89% по сравнению с экспериментальными данными. Более того, модель выявила несколько новых мутаций, которые ранее не рассматривались, но которые, по расчётам, должны значительно повысить специфичность.

Технические подробности: как ИИ улучшает редактирование генома

CRISPR-3DNet основана на анализе структур, полученных методом криоэлектронной микроскопии и рентгеновской кристаллографии. Модель обрабатывает данные о координатах каждого атома в комплексе и вычисляет карты взаимодействий — так называемые «контактные карты». Эти карты показывают, какие именно аминокислоты Cas9 находятся в непосредственной близости к ДНК-мишени и как они ориентированы. Сравнивая контактные карты для разных вариантов Cas9, модель может предсказать, как мутации повлияют на специфичность. В статье авторы приводят пример: замена аминокислоты R1335 на аланин в Cas9, согласно модели, должна увеличить специфичность в 3,5 раза. Экспериментальная проверка подтвердила это предсказание. Также модель предсказала, что комбинация двух мутаций — R1335A и K1107A — даёт синергетический эффект, повышая специфичность почти в 10 раз.

Кого затронет и как

Новый метод в первую очередь важен для разработчиков генной терапии и исследователей, работающих с CRISPR. Повышение специфичности снижает риск онкогенных мутаций при редактировании генома в клетках человека, что критично для клинического применения. Компании, занимающиеся редактированием генома, такие как CRISPR Therapeutics, Editas Medicine и Intellia Therapeutics, могут использовать эти данные для создания более безопасных вариантов Cas9. Для российских и СНГ-исследователей, которые активно работают с CRISPR в области сельского хозяйства и биомедицины, метод открывает возможность проектировать высокоспецифичные системы без дорогостоящего экспериментального скрининга. Кроме того, модель может быть адаптирована для других нуклеаз, таких как Cas12 или Cas13, расширяя инструментарий генной инженерии.

Что будет дальше

Авторы планируют продолжить обучение модели на новых структурных данных и расширить её возможности для предсказания эффектов модификаций направляющей РНК. В перспективе CRISPR-3DNet может стать стандартным инструментом для предварительного анализа всех новых вариантов CRISPR-систем. Ожидается, что в ближайшие год-два появятся первые клинические протоколы, использующие оптимизированные с помощью ИИ варианты Cas9. Также возможно создание онлайн-платформы, где исследователи смогут вводить последовательность направляющей РНК и получать рекомендации по оптимальным мутациям Cas9.

Итог

Искусственный интеллект впервые позволил системно проанализировать структурные основы специфичности CRISPR и выявить новые мишени для инженерии белка Cas9. Этот подход обещает существенно повысить безопасность редактирования генома и ускорить внедрение CRISPR-терапий в клиническую практику. Технология демонстрирует, как машинное обучение может решать сложные задачи молекулярной биологии, недоступные для классических экспериментальных методов.